Data 

Preprocessing

2.1.  Data  quality   can  be  assessed  in  terms  of  accuracy,  completeness,  and  consistency. Propose  two  other dimensions of data quality.

Answer:
Other dimensions that can be used to assess the quality of data include timeliness, believability, value added,
interpretability and accessability, described as follows:
·  Timeliness:  Data must be available within a time frame that allows it to be useful for decision making.
i
=1  |x  −  x¯|
·  Believability:   Data  values  must  be  within  the  range  of  possible  results  in  order  to  be  useful  for
decision making.
·  Value  added:   Data  must  provide  additional  value  in  terms  of  information  that  offsets  the  cost  of
collecting and accessing it.
·  Interpretability:   Data  must  not  be  so  complex  that  the  effort  to  understand  the  information  it
provides exceeds the benefit of its analysis.
·  Accessability:   Data  must  be  accessible  so  that  the  effort  to  collect  it  does  not  exceed  the  benefit
from its use.

2.2.  Suppose that the values for a given set of data are grouped into intervals.  The intervals and corresponding
frequencies are as follows.
age frequency
1-5 200
5-15 450
15-20 300
20-50 1500
50-80 700
80-110 44
Compute an approximate  median  value for the data.
Answer:
Using Equation, 
Median = L 1+ ¿(∑ freq ¿ ¿l)/ Freq median ) width

we have L1 = 20, N = 3194, (f req)l = 950, f reqmedian = 1500, width = 30, median = 32.94 years.

2.3.  Give  three  additional  commonly  used  statistical  measures  (i.e.,  not  illustrated  in  this  chapter)  for  the
characterization of  data   dispersion, and discuss how they can be computed efficiently in large databases.
Answer:
Data dispersion, also known as variance analysis, is the degree to which numeric data tend to spread and can
be  characterized  by  such  statistical  measures  as   mean   deviation,   measures   of   skewness,  and  the   coefficient
of  variation.
The  mean  deviation  is  defined  as  the  arithmetic  mean  of  the  absolute  deviations  from  the  means  and  is
calculated as:
mean

where x¯ is the arithmetic mean of the values and N  is the total number of values.  This value will be greater
for distributions with a larger spread.
 A common measure  of  skewness is:

x¯  −  mode
s ,

which indicates how far (in standard deviations,  s) the mean (¯x) is from the mode and whether it is greater
or less than the mode.
The  coefficient  of  variation  is  the  standard  deviation  expressed  as  a  percentage  of  the  arithmetic  mean
and is calculated as:

The variability in groups of observations with widely differing means can be compared using this measure.
Note  that  all  of  the  input  values  used  to  calculate  these  three  statistical  measures  are  algebraic  measures.
Thus, the value for the entire database can be efficiently calculated by partitioning the database, computing
the  values  for  each  of  the  separate  partitions,  and  then  merging  theses  values  into  an  algebraic  equation
that can be used to calculate the value for the entire database.
The measures of dispersion described here were obtained from:  Statistical Methods in Research and Produc-
tion,  fourth  ed.,  edited  by  Owen  L.  Davies  and  Peter  L.  Goldsmith,  Hafner  Publishing  Company,  NY:NY,
1972.

2.4.  Suppose  that  the  data  for  analysis  includes  the  attribute  age.   The  age  values  for  the  data  tuples  are  (in
increasing  order)  13,  15,  16,  16,  19,  20,  20,  21,  22,  22,  25,  25,  25,  25,  30,  33,  33,  35,  35,  35,  35,  36,  40,  45,
46, 52, 70.
(a)  What is the mean  of the data?  What is the median?
(b)  What is the mode  of the data?  Comment on the data’s modality (i.e., bimodal, trimodal, etc.).
(c)  What is the midrange  of the data?
(d)  Can you find (roughly) the first quartile (Q1) and the third quartile (Q3) of the data?
(e)  Give the five-number  summary  of the data.
(f)  Show a boxplot  of the data.
(g)  How is a quantile-quantile  plot  different from a quantile  plot?
Answer:
(a)  What is the mean of the data?  What is the median?

The (arithmetic) mean of the data is 

= 809/27 = 30.The median (middle

value of the ordered set, as the number of values in the set is odd) of the data is:  25.
(b)  What is the mode of the data?  Comment on the data’s modality (i.e., bimodal, trimodal, etc.).
This  data  set  has  two  values  that  occur  with  the  same  highest  frequency  and  is,  therefore,  bimodal.
The modes (values occurring with the greatest frequency) of the data are 25 and 35.
(c)  What is the midrange of the data?
The midrange (average of the largest and smallest values in the data set) of the data is:  (70 + 13)/2 =
41.5
(d)  Can you find (roughly) the first quartile (Q1) and the third quartile (Q3) of the data?
The first quartile (corresponding to the 25th percentile) of the data is:  20.  The third quartile (corre-
sponding to the 75th percentile) of the data is:  35.
(e)  Give the five-number  summary of the data.
The five number summary of a distribution consists of the minimum value, first quartile, median value,
third quartile, and maximum value.  It provides a good summary of the shape of the distribution and
for this data is:  13, 20, 25, 35, 70.
2.5.  In  many  applications,  new  data  sets  are  incrementally  added  to  the  existing  large  data  sets.
Thus  an important  consideration  for  computing  descriptive  data  summary  is  whether  a  measure  can  be  computed
efficiently  in  incremental  manner.   Use  count,  standard  deviation,  and  median  as  examples  to  show  that  a
distributive  or  algebraic  measure  facilitates  efficient  incremental  computation,  whereas  a  holistic  measure
does not.

Answer:
·  Count:   The  current  count  can  be  stored  as  a  value,  and  when  x  number  of  new  values  are  added,
we  can  easily  update  count  with  count + x.   This  is  a  distributive  measure  and  is  easily  updated  for
incremental additions.
·  Standard  deviation:  If  we  store  the  sum  of  the  squared  existing  values  and  the  count  of  the  existing
values,  we  can  easily  generate  the  new  standard  deviation  using  the  formula  provided  in  the  book.
We  simply  need  to  calculate  the  squared  sum  of  the  new  numbers,  add  that  to  the  existing  squared
sum, update the count of the numbers, and plug that into the calculation to obtain the new standard
deviation.  All of this is done without looking at the whole data set and is thus easy to compute.
·  Median:  To accurately calculate the median, we have to look at every value in the dataset.  When we
add  a  new  value  or  values,  we  have  to  sort  the  new  set  and  then  find  the  median  based  on  that  new
sorted set.  This is much harder and thus makes the incremental addition of new values difficult.

2.6.  In  real-world  data,  tuples  with  missing  values  for  some  attributes  are  a  common  occurrence. Describe
various methods for handling this problem.
Answer:
The various methods for handling the problem of missing values in data tuples include:
(a)  Ignoring  the  tuple:  This is usually done when the class label is missing (assuming the mining task
involves classification or description).  This method is not very effective unless the tuple contains several
attributes with missing values.  It is especially poor when the percentage of missing values per attribute
varies considerably.
(b)  Manually  filling  in  the  missing  value:  In  general,  this  approach  is  time-consuming  and  may  not
be a reasonable task for large data sets with many missing values, especially when the value to be filled
in is not easily determined.
(c)  Using  a  global  constant  to  fill  in  the  missing  value:   Replace  all  missing  attribute  values  by
the  same  constant,  such  as  a  label  like  “Unknown,”  or  −∞.   If  missing  values  are  replaced  by,  say,
“Unknown,”  then  the  mining  program  may  mistakenly  think  that  they  form  an  interesting  concept,
since they all have a value in common — that of “Unknown.” Hence, although this method is simple,
it is not recommended.
(d)  Using the attribute mean for quantitative (numeric) values or attribute mode for categor-
ical  (nominal)  values:  For example, suppose that the average income of AllElectronics customers is
$28,000.  Use this value to replace any missing values for income.
(e)  Using the attribute mean for quantitative (numeric) values or attribute mode for categor-
ical  (nominal)  values,  for  all  samples  belonging  to  the  same  class  as  the  given  tuple:  For
example,  if  classifying  customers  according  to  credit  risk,  replace  the  missing  value  with  the  average
income value for customers in the same credit risk category as that of the given tuple.
(f)  Using  the  most  probable  value  to  fill  in  the  missing  value:   This  may  be  determined  with
regression,  inference-based  tools  using  Bayesian  formalism,  or  decision  tree  induction.   For  example,
using  the  other  customer  attributes  in  the  data  set,  we  can  construct  a  decision  tree  to  predict  the
missing values for income.

2.7.  Using the data for age given in Exercise 2.4, answer the following.

(a)  Use  smoothing  by  bin  means  to  smooth  the  above  data,  using  a  bin  depth  of  3.  Illustrate  your  steps.
Comment on the effect of this technique for the given data.
(b)  How might you determine outliers  in the data?
(c)  What other methods are there for data  smoothing?

Answer:
 (a)  Use  smoothing  by  bin  means  to  smooth  the  above  data,  using  a  bin  depth  of  3.  Illustrate  your  steps.
Comment on the effect of this technique for the given data.
The  following  steps  are  required  to  smooth  the  above  data  using  smoothing  by  bin  means  with  a  bin
depth of 3.
·

  Step  1:  Sort the data.  (This step is not required here as the data are already sorted.)
·  Step  2:  Partition the data into equal-frequency bins of size 3

Bin 1:  13, 15, 16 Bin 2:  16, 19, 20 Bin 3:  20, 21, 22

Bin 4:  22, 25, 25 Bin 5:  25, 25, 30 Bin 6:  33, 33, 35
Bin 7:  35, 35, 35 Bin 8:  36, 40, 45 Bin 9:  46, 52, 70
·  Step  3:  Calculate the arithmetic mean of each bin.
·  Step  4:  Replace each of the values in each bin by the arithmetic mean calculated for the bin.
Bin 1:  142/3, 142/3, 142/3 Bin 2:  181/3, 181/3, 181/3 Bin 3:  21, 21, 21
Bin 4:  24, 24, 24 Bin 5:  262/3, 262/3, 262/3 Bin 6:  332/3, 332/3, 332/3
Bin 7:  35, 35, 35 Bin 8:  401/3, 401/3, 401/3 Bin 9:  56, 56, 56

(b)  How might you determine outliers  in the data?
Outliers in the data may be detected by clustering, where similar values are organized into groups, or
“clusters”.   Values  that  fall  outside  of  the  set  of  clusters  may  be  considered  outliers.   Alternatively,  a
combination of computer and human inspection can be used where a predetermined data distribution
is implemented to allow the computer to identify possible outliers.  These possible outliers can then be
verified  by  human  inspection  with  much  less  effort  than  would  be  required  to  verify  the  entire  initial
data set.
(c)  What other methods are there for data  smoothing?
Other methods that can be used for data smoothing include alternate forms of binning such as smooth-
ing  by  bin  medians  or  smoothing  by  bin  boundaries.   Alternatively,  equal-width  bins  can  be  used  to
implement  any  of  the  forms  of  binning,  where  the  interval  range  of  values  in  each  bin  is  constant.
Methods  other  than  binning  include  using  regression  techniques  to  smooth  the  data  by  fitting  it  to  a
function such as through linear or multiple regression.  Classification techniques can be used to imple-
ment  concept  hierarchies  that  can  smooth  the  data  by  rolling-up  lower  level  concepts  to  higher-level
concepts.

2.8.  Discuss issues to consider during data  integration.
Answer:
Data integration involves combining data from multiple sources into a coherent data store.  Issues that must
be considered during such integration include:
·  Schema  integration:  The  metadata  from  the  different  data  sources  must  be  integrated  in  order  to
match up equivalent real-world entities.  This is referred to as the entity identification problem.
·  Handling redundant data:  Derived attributes may be redundant, and inconsistent attribute naming
may also lead to redundancies in the resulting data set.  Duplications at the tuple level may occur and
thus need to be detected and resolved.
·  Detection and resolution of data value conflicts:  Differences in representation, scaling, or encod-
ing may cause the same real-world entity attribute values to differ in the data sources being integrated.

2.9.  Suppose  a  hospital  tested  the  age  and  body  fat  data  for  18  randomly  selected  adults  with  the  following
Result
(a)  Calculate the mean, median and standard deviation of age  and %fat.
(b)  Draw the boxplots for age  and %fat.
(c)  Draw a scatter  plot  and a q-q  plot  based on these two variables.

(d)  Normalize the two variables based on z-score  normalization.
(e)  Calculate  the  correlation  coefficient  (Person’s  product  moment  coefficient).   Are  these  two  variables
positively or negatively correlated?

Answer:

(a)  Calculate the mean, median and standard deviation of age  and %fat.
For the variable  age  the mean is 46.44, the median is 51, and the standard deviation is 12.85.  For the
variable %fat  the mean is 28.78, the median is 30.7, and the standard deviation is 8.99.
(b)  Draw the boxplots for age  and %fat.
See Figure 2.1.

60
Values

Values

40
55
35
50
30
45
25
40
20
35
15
30
25 10

1 1
age %fat

Figure 2.1:  A boxplot of the variables age  and %fat  in Exercise 2.9.

(c)  Draw a scatter  plot  and a  q-q  plot  based on these two variables.
See Figure 2.2.

qq plot scatter plot
45 45
fat

fat

40 40
35 35
30 30
25 25
20 20
15 15
10 10
520 25 30 35 40age45 50 55 60 65 520    25    30    35    40    45    50    55    60    65
age

(d)  Normalize the two variables based on z-score  normalization.
 (e)  Calculate  the  correlation  coefficient  (Pearson’s  product  moment  coefficient).   Are  these  two  variables
positively or negatively correlated?
The correlation  coefficient  is 0.82.  The variables are positively correlated.

2.10.  What are the value ranges of the following normalization  methods?
(a)  min-max normalization
(b)  z-score normalization
(c)  normalization by decimal scaling
Answer:

(a)  min-max normalization
The rage is [new  min, new  max]
(b)  z-score normalization
The range is [(old  min−mean)/stddev, (old  max−mean)/stddev].  In general the range for all possible
data sets is (−∞, +∞).
(c)  normalization by decimal scaling
The range is (−1.0, 1.0).
original    data 200 300 400 600 1000
2.11.  Use the two methods below to  normalize  the following group of data:
[0,1]   normalized 0 0.125 0.25 0.5 1
200, 300, 400, 600, 1000

(a)  min-max normalization by setting min = 0 and max = 1
(b)  z-score normalization
original    data 200 300 400 600 1000
Answer:
z-score -1.06 -0.7 -0.35 0.35 1.78
(a)  min-
max normalization by setting mi
n = 0 and max = 1

(b)  z-score normalization

2.12.  Using the data for  age  given in Exercise 2.4, answer the following:

(a)  Use min-max normalization to transform the value 35 for  age  onto the range [0.0, 1.0].

(b)  Use  z-score  normalization  to  transform  the  value  35  for   age,  where  the  standard  deviation  of    age  is

 12.94 years.
(c)  Use normalization by decimal scaling to transform the value 35 for  age.
(d)  Comment on which method you would prefer to use for the given data, giving reasons as to why.

Answer:

(a)  Use min-max normalization to transform the value 35 for  age onto the range [0.0, 1.0].
For  readability,  let    A  be  the  attribute    age. Using  Equation  (2.11)  with    minA  =  13,    maxA  =  70,
new    minA = 0,  new    maxA = 1.0, then  v  = 35 is transformed to  v   = 0.39.
(b)  Use  z-score  normalization  to  transform  the  value  35  for   age,  where  the  standard  deviation  of    age  is
12.94 years.
Using  Equation  (2.12)  where   A  =  809/27  =  29.96  and    σA  =  12.94,  then   v  =  35  is  transformed  to
v   = 0.39.
(c)  Use normalization by decimal scaling to transform the value 35 for  age.
Using Equation (2.13) where  j  = 2,  v  = 35 is transformed to  v   = 0.35.
(d)  Comment on which method you would prefer to use for the given data, giving reasons as to why.
Given the data, one may prefer decimal scaling for normalization because such a transformation would
maintain the data distribution and be intuitive to interpret, while still allowing mining on specific age
groups.   Min-max  normalization  has  the  undesired  effect  of  not  permitting  any  future  values  to  fall
outside of the current minimum and maximum values without encountering an “out of bounds error”.
As such values may be present in future data, this method is less appropriate.  [new Both min-max and
Z-score  normalization  change  the  original  data  quite  a  bit.]   Z-score  normalization  transforms  values
into measures that represent their distance from the mean, in terms of standard deviations.  This type
of transformation may not be as intuitive to the user in comparison with decimal scaling.

2.13.  Use a flow chart to summarize the following procedures for  attribute    subset    selection:

(a)  stepwise forward selection
(b)  stepwise backward elimination
(c)  a combination of forward selection and backward elimination

Answer:

(a) Stepwise forward selection
(b) Stepwise backward elimination

(c)  A combination of forward selection and backward elimination
 bin 1 5,10,11,13,15
2.14.  Suppose a group of 12  sales    pr bin 2 35,50,55,72,92 ice  records has been sorted as follows:

5, 10, 11, 13, 15, 35, 50,  bin 3 204,215 55, 72, 92, 204, 215.

Partition them into three bins b y each of the following methods.

(a)  equal-frequency partitioning

(b)  equal-width partitioning

(c)  clustering

Answer:

(a) equal-frequency partitioning

bin 1 5,10,11,13

bin 2 15,35,50,55
bin 3 72,92,204,215

(b)  equal-width partitioning
The width of each interval is (215  − 5)/3 = 70.

(c)  clustering

We will use a simple clustering technique:  partition the data along the 2 biggest gaps in the data.

2.15.  Using the data for  age  given in Exercise 2.4,

(a)  Plot an equal-width histogram of width 10.
(b)  Sketch  examples  of  each  o f  the  following  sampling  techniques:  SRSWOR,  S
bin 1 5,10,11,13,15,35,50,55,72
RSWR,  cluster  sampling,
bin 2 92
stratified sampling.  Use sam ples of size 5 and the strata “youth”, “middle-
aged”, and “senior”. bin 3 204,215

Answer:
(a)  Plot an equal-width histogram of width 10.

(b)  Sketch  examples  of  each  of  the  following  sampling  techniques:  SRSWOR,  SRSWR,  cluster  sampling,
stratified sampling.  Use samples of size 5 and the strata “youth”, “middle-aged”, and “senior”.
2.16.  [Contributed  by  Chen  Chen]  The    median  is  one  of  the  most  important  holistic  measures  in  data  analysis.
Propose  several  methods  for  median  approximation.   Analyze  their  respective  complexity  under  different
parameter  settings  and  decide  to  what  extent  the  real  value  can  be  approximated.   Moreover,  suggest  a
heuristic  strategy  to  balance  between  accuracy  and  complexity  and  then  apply  it  to  all  methods  you  have
given.
Answer:
This  question  can  be  dealt  with  either  theoretically  or  empirically,  but  doing  some  experiments  to  get  the
result is perhaps more interesting.
Given  are  some  data  sets  sampled  from  different  distributions,  e.g.,  uniform,  Gaussian,  exponential,  and
gamma.  (The former two distributions are symmetric, whereas the latter two are skewed).  For example, if
using Equation (2.3) to do approximation as proposed in the chapter, the most straightforward approach is
to partition all of the data into  k  equal-length intervals.

A1 A2
x1 1.5 1.7
x2 2 1.9
x3 1.6 1.8
x4 1.2 1.5
x5 1.5 1.0

where   L1  is  the  lower  boundary  of  the  median  interval,   N  is  the  number  of  values  in  the  entire  data  set,

(f  req)l  is  the  sum  of  the  frequencies  of  all  of  the  intervals  that  are  lower  than  the  median  interval,
f  reqmedian  is the frequency of the median interval, and  width is the width of the median interval.
Obviously,  the  error  incurred  will  be  decreased  as    k  becomes  larger;  however,  the  time  used  in  the  whole
procedure will also increase.  The product of error made and time used are good optimality measures.  From
this point, we can perform many tests for each type of distributions (so that the result won’t be dominated
by randomness) and find the  k giving the best trade-off.  In practice, this parameter value can be chosen to
improve system performance
There  are  also  other  approaches  for  median  approximation.   The  student  may  suggest  a  few,  analyze  the
best  trade-off  point,  and  compare  the  results  from  the  different  approaches. A  possible  such  approach
is  as  follows:   Hierarchically  divide  the  whole  data  set  into  intervals:   first,  divide  it  into    k  regions  and
find  the  region  in  which  the  median  resides;  second,  divide  this  particular  region  into    k  subregions,  find
the  subregion  in  which  the  median  resides;  . . . .    This  iterates  until  the  width  of  the  subregion  reaches  a
predefined  threshold,  and  then  the  median  approximation  formula  as  above  stated  is  applied.  In  this  way,
we can confine the median to a smaller area without globally partitioning all of data into shorter intervals,
which would be expensive.  (The cost is proportional to the number of intervals.)

2.17.  [Contributed by Deng Cai] It is important to define or select similarity measures in data analysis.  However,
there  is  no  commonly  accepted  subjective  similarity  measure. Using  different  similarity  measures  may
deduce different results.  Nonetheless, some apparently different similarity measures may be equivalent after
some transformation.
Suppose we have the following two-dimensional data set:

(a)  Consider the data as two-dimensional data points.  Given a new data point,  x = (1.4, 1.6) as a query,
rank the database points based on similarity with the query using (1) Euclidean distance (Equation 7.5),
and (2) cosine similarity (Equation 7.16).
(b)  Normalize the data set to make the norm of each data point equal to 1.  Use Euclidean distance on the
transformed data to rank the data points.

Answer:
 Based on the Euclidean distance of the normalized points, the order is  x1,  x3,  x4,  x2,  x5, which is the same
as the cosine similarity order.

2.18.  ChiMerge [Ker92] is a supervised, bottom-up (i.e., merge-based)  data  discretization  method.  It relies on  χ2

analysis:  adjacent  intervals  with  the  least    χ2  values  are  merged  together  till  the  chosen  stopping  criterion
satisfies.
(a)  Briefly describe how ChiMerge works.
(b)  Take the IRIS data set, obtained from  http://www.ics.uci.edu/∼mlearn/MLRepository.html (UC-Irvine
Machine  Learning  Data  Repository),  as  a  data  set  to  be  discretized.   Perform  data  discretization  for
each of the four numerical attributes using the ChiMerge method.  (Let the stopping criteria be:    max-
interval  = 6).  You need to write a small program to do this to avoid clumsy numerical computation.
Submit  your  simple  analysis  and  your  test  results:  split  points,  final  intervals,  and  your  documented
source program.
Answer:

(a)  Briefly describe how ChiMerge works.
The basic algorithm of chiMerge is:
begin
sort values in ascending order
assign a separate interval to each distinct value
while stopping criteria not met
begin
compute  χ2  of every pair of adjacent intervals
merge the two intervals with smallest  χ2  value
end
end

(b)  Take the IRIS data set, obtained from  http://www.ics.uci.edu/∼mlearn/MLRepository.html (UC-Irvine
Machine  Learning  Data  Repository),  as  a  data  set  to  be  discretized.   Perform  data  discretization  for
each of the four numerical attributes using the ChiMerge method.  (Let the stopping criteria be:    max-
interval  = 6).  You need to write a small program to do this to avoid clumsy numerical computation.
Submit  your  simple  analysis  and  your  test  results:  split  points,  final  intervals,  and  your  documented
source program.
The final intervals are:
Sepal length:  [4.3 - 4.8],[4.9 - 4.9], [5.0 - 5.4], [5.5 - 5.7], [5.8 - 7.0], [7.1 - 7.9].
Sepal width:  [2.0 - 2.2], [2.3 - 2.4], [2.5 - 2.8], [2.9 - 2.9], [3.0 - 3.3], [3.4 - 4.4].
 Petal length:  [1.0 - 1.9], [3.0 - 4.4], [4.5 - 4.7], [4.8 - 4.9], [5.0 - 5.1], [5.2 - 6.9].
Petal width:  [0.1 - 0.6], [1.0 - 1.3], [1.4 - 1.6], [1.7 - 1.7], [1.8 - 1.8], [1.9 - 2.5].
The split points are:
Sepal length:  4.3, 4.9, 5.0, 5.5, 5.8, 7.1
Sepal width:  2.0, 2.3, 2.5, 2.9, 3.0, 3.4
Petal length:  1.0, 3.0, 4.5, 4.8, 5.0, 5.2
Petal width:  0.1, 1.0, 1.4, 1.7, 1.8, 1.9

2.20. Robust data loading poses a challenge in database systems because the input data are often dirty. In many cases, an input
record may have several missing values and some records could be contaminated (i.e., with some data values out of range or of a
di®erent data type than expected). Work out an automated data cleaning and loading algorithm so that the erroneous data will be
marked and contaminated data will not be mistakenly inserted into the database during data loading.
Answer:

begin
for each record r
begin
check r for missing values
If possible, ¯ll in missing values according to domain knowledge
(e.g. mean, mode, most likely value, etc.).
check r for out of range values
If possible, correct out of range values according to domain knowledge
(e.g. min or max value for the attribute).
check r for erroneous data types
If possible, correct data type using domain knowledge
If r could not be corrected, mark it as bad and output it to a log,
otherwise load r into the database.
end
end

The domain knowledge can be a combination of manual and automatic work. We can, for example, use the data in the database to
construct a decision tree to induce missing values for a given attribute, and at the same time have human-entered rules on how to
correct wrong data types.